“21世纪海上丝绸之路”蓝色经济国际合作:驱动因素、领域识别与机制构建

当今世界,蓝色经济已经成为全球海洋领域发展的重点,它强调的是海洋经济的可持续发展,突出国家间通过通力合作共同促进海洋资源开发与海洋生态环境保护。"21世纪海上丝绸之路"建设恰为中国与沿线国家的蓝色经济合作提供重要平台。从这一关系为切入点,研究沿线国家蓝色经济合作的驱动因素,构建包括国家战略发展、区域比较优势、政府政策导向、区域环境安全在内的蓝色经济合作领域选择依据,在考虑蓝色经济合作的一般领域的基础上,选择了资源能源、海洋产业、海洋科技、海洋生态环境作为中国与沿线国家合作的重点领域,并针对合作领域构建了以市场主导、陆海统筹、协作治理与利益协调为框架的合作机制。

基于领域识别的主题模型观点挖掘研究

网络新媒体的快速发展,使得网上评论数据呈现爆炸性增长,面对数量庞大的网络文本,使用传统的人工方式来提取观点会导致效率低下、分类界限模糊、领域适应性差等问题。为解决以上问题,在对传统LDA模型进行改进的基础上,提出了一个基于领域判别的LDA主题模型来对在线评论进行观点挖掘。首先,在标准LDA模型中引入领域层,对语料库中的文档采样领域标签,利用领域化的参数来求解LDA模型;其次,考虑到句子间的情感从属关系,在主题层和单词层之间加入情感层,并引入情感转移变量进行表示,提高了情感极性分析的精度,实验结果表明了本文所提模型和理论的有效性。

Stephenson型平面六杆机构的运动领域识别法

Stephenson型平面六杆机构,可分解为平面四杆机构和一个Ⅱ级杆组,其运动领域可分离为连杆轨迹曲线上的两个边界点或边界转向点。将这些分支的运动领域映射在数轴上,用雅可比矩阵的系数行列式的符号和相应构件角位移的正弦符号来识别。

因果关系表示增强的跨领域命名实体识别

跨领域命名实体识别在现实应用中,尤其在目标领域数据稀缺的小样本场景中具有重要价值。然而,现有方法主要是通过特征表示或模型参数共享实现的跨领域实体能力迁移,未充分考虑由于样本选择偏差而引起的虚假相关性问题。为了解决跨领域中的虚假相关性问题,提出一种因果关系表示增强的跨领域命名实体识别模型,将源域的语义特征表示与目标域的语义特征表示进行融合,生成一种增强的上下文语义特征表示。通过结构因果模型捕捉增强后的特征变量与标签之间的因果关系。在目标域中应用因果干预和反事实推断策略,提取存在的直接因果效应,从而进一步缓解特征与标签之间的虚假相关性问题。该方法在公共数据集上进行了实验,实验结果得到了显著提高。

基于专利分析的中国医疗器械子领域的识别研究

医疗器械是一个多学科交叉的高技术行业,本研究采用定量与定性相结合的分析方法识别中国医疗器械的重点子领域。通过对Derwent Innovation数据库中医疗器械领域的专利进行检索,根据国家药品监督管理局组织修订的《医疗器械分类目录》,并结合医药器械的专利分类特点,将医疗器械领域专利分为17个子领域,采用统计学分析方法对中国医疗器械17个子领域技术开发特点进行分析,并对重点子领域进行识别。中国在医疗器械的消毒灭菌设备,注输、护理和防护器械,医院设备,呼吸麻醉和急救器械,患者承载器械五个子领域占据创新优势。

结合GAN与BiLSTM-Attention-CRF的领域命名实体识别

领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题,利用生成式对抗网络(generative adversarial network, GAN)可以生成数据的特点,将生成式对抗网络与BiLSTM-Attention-CRF模型相结合.首先以BiLSTM-Attention作为生成式对抗网络的生成器模型,以CNN作为判别器模型,从众包标注数据集中整合出与专家标注数据分布一致的正样本标注数据来解决领域内标注数据缺乏的问题;然后通过在BiLSTM-Attention-CRF模型中引入文档层面的全局向量,计算每个单词与该全局向量的关系得出其新的特征表示以解决由于实体名称多样化造成的同一文档中实体标注不一致问题;最后,在基于信息安全领域众包标注数据集上的实验结果表明,该模型在各项指标上显著优于同类其他模型方法.

基于本体的汉语领域命名实体识别

命名实体识别是众多自然语言处理任务的核心内容之一,也是近年来的领域研究热点。本文将命名实体分为两大类：常规命名实体和领域命名实体。基于已经构建的领域本体MPO,本文提出一种基于本体知识规则与统计方法相结合的领域命名实体识别方法。该方法通过本体化实例,获取实体构成词性规则模板,结合CRFs机器学习模型,进行领域命名实体识别。实验结果表明：相比运用单一统计方法而言,该方法能使领域实体的识别性能显著提高,F值达到92.36%。同时表明本体化知识规则的有效运用,能够在领域实体边界和特殊形式领域实体识别的准确率上发挥积极作用。

基于社会化问答社区涌现模式分析的领域热点识别研究

领域热点识别是科技情报与文献计量领域研究的关键问题之一,其能够为科技、教育部门的政策制定及科研人员的研究决策提供参考和依据。现有领域热点识别的研究主要基于文献计量学方法,并没有利用丰富的Web数据。本文提出了一种基于涌现模式挖掘的框架,利用社会化问答社区中的问答内容来识别领域研究热点。首先,提取问答内容中的关键词,并基于关键词的共现性进行聚类;然后,基于聚类结果构建候选研究热点模式集合,利用涌现模式挖掘方法识别领域研究热点并分析其发展趋势。本文基于知乎社区的“机器学习”话题数据集进行实验,利用卡方检验与领域前沿进行对比,结果表明该框架能够有效识别领域研究热点。该方法利用关键词聚类较好的缓解了涌现模式识别方法计算复杂度大等问题,具有良好的可行性;同时,该方法在线社区热点识别等问题中具有潜在的应用价值。

反馈式K近邻语义迁移学习的领域命名实体识别

领域命名实体识别是构建领域知识图谱的重要基础。针对专业领域语料匮乏的特点,构建基于深度学习的BiLSTM-CNN-CRFs网络模型,并提出一种反馈式K近邻语义迁移学习的领域命名实体识别方法。首先,对专业领域语料和通用领域语料分别训练得到语料文档向量,使用马哈拉诺比斯距离计算领域语料与通用语料的语义相似性,针对每个专业领域样本分别取K个语义最相似的通用领域样本进行语义迁移学习,构建多个迁移语料集。然后,使用BiLSTM-CNN-CRFs网络模型对迁移语料集进行领域命名实体识别,并对识别结果进行评估和前馈,根据反馈结果选取合适的K值,作为语义迁移学习的最佳阈值。以包装领域和医疗领域为例进行实验验证,结果表明:本文方法取得了很好的识别效果,可以有效解决专业领域语料匮乏问题。

无监督条件下跨领域目标识别关键技术研究

人工智能与机器识别技术的发展加快了社会的进步,传统机器学习的方法并不适用于所有的环境,这就要求目标识别算法能够在半监督或无监督情况下进行训练。本文提出基于结构化联合分布适配的无监督大样本跨领域目标识别算法模型。为实现无监督少样本条件下的跨领域目标识别提供新的思路与方法。

中文领域命名实体识别综述

命名实体识别(Named Entity Recognition,NER)作为自然语言处理领域经典的研究主题,是智能问答、知识图谱等任务的基础技术。领域命名实体识别(Domain Named Entity Recognition,DNER)是面向特定领域的NER方案。在深度学习技术的推动下,中文DNER取得了突破性进展。概括了中文DNER的研究框架,从领域数据源的确定、领域实体类型及规范制定、领域数据集的标注规范、中文DNER评估指标四个角度对国内外已有研究成果进行了综合评述;总结了目前常见的中文DNER的技术框架,介绍了基于词典和规则的模式匹配方法、统计机器学习方法、基于深度学习的方法、多方融合的深度学习方法,并重点分析了基于词向量表征和深度学习的中文DNER方法;讨论了中文DNER的典型应用场景,对未来发展方向进行了展望。

基于MacBERT-BiLSTM-CRF的反恐领域细粒度实体识别

为验证基于深度学习的命名实体识别框架在反恐领域的有效性,参照ACE 2005实体标注规范,制订了细粒度反恐实体标签体系,构建了反恐实体语料集Anti-Terr-Corpus;提出基于MacBERT-BiLSTM-CRF的实体识别模型,通过能减少预训练和微调阶段差异的MacBERT(masked language modeling as correction bidirectional encoder representations from transformers)预训练语言模型获得动态字向量表达,送入双向长短时记忆(bidirectional long short-term memory,BiLSTM)和条件随机场(conditional random field,CRF)进行上下文特征编码和解码得到最佳实体标签;替换框架中的预训练语言模型进行对比实验。实验表明该模型可以有效获取反恐新闻中的重要实体。对比BiLSTM-CRF模型,MacBERT的加入提高了24.5%的F1值;保持编码-解码层为BiLSTM-CRF时,加入MacBERT比加入ALBERT(a lite BERT)提高了5.1%的F1值。可见,深度学习有利于反恐领域实体识别,能够利用公开反恐新闻文本为后续反恐形势预判服务,同时有助于反恐领域信息提取、知识图谱构建等基础性任务。

结合字形特征与迭代学习的金融领域命名实体识别

针对中文金融文本领域的命名实体识别,该文从汉字自身特点出发,设计了结合字形特征、迭代学习以及双向长短时记忆网络和条件随机场的神经网络模型。该模型是一种完全端到端且不涉及任何特征工程的模型,其将汉字的五笔表示进行编码以进行信息增强,同时利用迭代学习的策略不断对模型整体预测结果进行改进。由于现有的命名实体识别研究在金融领域缺乏高质量的有标注的语料库资源,所以该文构建了一个大规模的金融领域命名实体语料库HITSZ-Finance,共计31210个文本句,包含4类实体。该文在语料库HITSZ-Finance上进行了一系列实验,实验结果均表明模型的有效性。

支持跨领域的中文虚假评论识别方法

【目的】在多领域数据集的基础上,构建一种基于评论文本深层词关系语义信息提取的支持跨领域的中文虚假评论识别模型CFEE,解决传统识别方法较少考虑中文评论文本中存在不同领域数据差异性和领域虚假评论数据隐藏性的问题。【方法】提出11条虚假评论数据集建立规则,建立多领域数据集;构建CFEE模型跨领域识别中文虚假评论,其主要功能为基于ERNIE预训练模型提取文本深层语义信息、基于评论文本情感属性识别评论隐藏性、基于卷积神经网络将文本信息投射到词关系维度、基于神经网络融合特征实现分类。【结果】CFEE模型在多领域中文虚假评论数据集上的F1值为91.52%,在手机、食品、服装、家电等单领域数据集上的F1值分别为85.71%、79.59%、85.71%、85.00%,效果均显著优于现有模型。【局限】存在人工标注的主观性。【结论】本文所提识别方法能够有效地跨领域识别中文虚假评论。

基于模式匹配的结构化信息抽取

针对半结构化文本的信息抽取粒度较大,不能对抽取结果进行有效语义分析的问题,面向领域提出一种基于模式匹配的结构化信息二次抽取方法.该方法以Web文档形式呈现的半结构化文本为对象,对粗粒度抽取结果进行领域识别,根据识别结果加载相应领域词库.根据模式中各个角色的词性实现模式角色到分词序列词语的映射,从分词序列中抽取出结构化信息,为准确的语义分析提供支持.实验表明该方法能获得更准确的抽取结果.

专家研究领域自动识别研究

借鉴文本自动分类思想,基于文档权重归并法,采用N元语言模型,设计一个专家领域识别实验系统;并以"武汉大学"为例对专家研究领域自动识别的效果进行初步评测,实验结果表明该系统对专家研究领域的自动识别具有很高的查准率。

基于引文主路径文献共被引的主题演化分析

主题演化分析对于梳理领域发展脉络、把握领域发展规律和预测领域发展趋势具有重要的作用。本文提出了一种基于引文主路径文献共被引的主题演化分析方法，利用引文主路径分析进行演化路径识别，利用共被引分析和领域术语识别进行演化主题识别。并以碳纳米管纤维领域作为研究对象进行实证研究，发现该方法基本能够揭示领域的演化情况，具有一定的实际意义和应用价值。

几何光学元器件

TH703 98042151借助物镜变换实现一个短的相干Hough物镜=Real-ization of a shorter coherent Hough objectivelens through objective lens transfortil[刊,中]/高隽(合肥工业大学计算机与信息系.安徽,合肥(230009))∥中国激光.—1998,25(2).—119—122介绍了在图像处理。

爱国情深的科技英才——记中国科学院自动化研究所谭铁牛博士

１９９８年１月，告别学习、工作了１３载的英伦三岛，谭铁牛博士毅然携妻带子登上了回国的班机。……离北京越来越近了，谭铁牛的内心越来越不平静。旅居海外十余年，他常常为自己对祖国的建设无所贡献而深感内疚。如今，他终于回到这片热土来施展自己的才华了。此刻，他...